●序言
前言
第一部分 構建模型
第1章 TensorFlow簡介
1.1 什麼是機器學習
1.2 傳程的局限性
1.3 從編程到學習
1.4 什麼是TensorFlow
1.5 使用TensorFlow
1.6 初學機器學習
1.7 總結
第2章 計算機視覺簡介
2.1 識別服裝
2.2 視
2.3 設計神經網絡
2.4 訓練神經網絡
2.5 探索模型輸出
2.6 訓練更長時間，發現過擬合
2.7 停止訓練
2.8 總結
第3章 圖像特征檢測
3.1 卷積
3.2 池化
3.3 實現卷積神經網絡
3.4 探索卷積網絡
3.5 創建一個CNN來區分馬和人
3.6 圖像增強
3.7 遷移學習
3.8 多類別分類
3.9 dropout正則化
3.10 總結
第4章 TensorFlow Datasets
4.1 TFDS入門
4.2 在Keras模型中使用TFDS
4.3 使用映函數進行增強
4.4 使用自定義分割
4.5 理解TFRecord
4.6 TensorFlow中管理數據的ETL過程
4.7 總結
第5章 自然語言處理簡介
5.1 將語言編碼為數字
5.2 移除停用詞和清理文本
5.3 使用真實數據源
5.4 總結
第6章 使用嵌入來編程情感
6.1 從詞建立意義
6.2 TensorFlow中的嵌入
6.3 可視化嵌入
6.4 使用來自TensorFlow Hub的預訓練嵌入
6.5 總結
第7章 自然語言處理的循環神經網絡
7.1 循環的基礎
7.2 為語言擴展循環
7.3 使用RNN創建文本分類器
7.4 在RNN中使用預訓練的嵌入
7.5 總結
第8章 使用TensorFlow創建文本
8.1 將序列轉換為輸入序列
8.2 創建模型
8.3 生成文本
8.4 擴展數據集
8.5 改變模型架構
8.6 改進數據
8.7 基於字符的編碼
8.8 總結
第9章 理解序列和時間序列數據
9.1 時間序列的常見屬性
9.2 預測時間序列的技術
9.3 總結
第10章 創建ML模型來預測序列
10.1 創建窗口數據集
10.2 創建並訓練DNN來擬合序列數據
10.3 評估DNN的結果
10.4 探索整體的預測
10.5 調整學習率
10.6 使用Keras Tuner探索參數調優
10.7 總結
第11章 序列模型中的卷積和循環
11.1 序列數據的卷積
11.2 使用NASA天氣數據
11.3 使用RNN進行序列建模
11.4 使用其他循環方法
11.5 使用dropout
11.6 使用雙向RNN
11.7 總結
第二部分 使用模型
第12章 TensorFlow Lite簡介
12.1 什麼是TensorFlow Lite
12.2 演練：創建模型並將其轉換為TensorFlow Lite
12.3 演練：遷移學習圖像分類器並轉換到Tensor Flow Lite
12.4 總結
第13章 在Android應用程序中使用TensorFlow Lite
13.1 什麼是Android Studio
13.2 創建你的一個TensorFlow Lite Android應用程序
13.3 越“Hello World”—處理圖像
13.4 TensorFlow Lite示例應用程序
13.5 總結
第14章 在iOS應用程序中使用TensorFlow Lite
14.1 使用Xcode創建你的一個TensorFlow Lite應用程序
14.2 越“Hello World”—處理圖像
14.3 TensorFlow Lite示例應用程序
14.4 總結
第15章 TensorFlow.js簡介
15.1 什麼是TensorFlow.js
15.2 安裝和使用Brackets IDE
15.3 構建一個TensorFlow.js模型
15.4 創建Iris分類器
15.5 總結
第16章 TensorFlow.js中的計算機視覺編程技術
16.1 TensorFlow開發人員的JavaScript注意事項
16.2 使用JavaScript構建CNN
16.3 使用回調進行可視化
16.4 使用MNIST數據集進行訓練
16.5 在TensorFlow.js中對圖像運行推理
16.6 總結
第17章 重用和轉換Python模型為JavaScript
17.1 將基於Python的模型轉換為JavaScript
17.2 使用預轉換的JavaScript模型
17.3 總結
第18章 JavaScript中的遷移學習
18.1 從MobileNet進行遷移學習
18.2 來自TensorFlow Hub的遷移學習
18.3 使用來自TensorFlow.org的模型
18.4 總結
第19章 使用TensorFlow Serving進行部署
19.1 什麼是TensorFlow Serving
19.2 安裝TensorFlow Serving
19.3 構建和服務模型
19.4 總結
第20章 AI的倫理、公平和隱私
20.1 編程中的公平
20.2 機器學習中的公平
20.3 實現公平的工具
20.4 聯邦學習
20.5 谷歌的AI原則
20.6 總結

本書是一本面向程序員的基礎教程，涉及目前人工智能領域的幾個熱門方向，包括計算機視覺、自然語言處理和序列數據建模。盡管內容豐富，但作者並沒有引入太多的理論知識，而是通過直觀的例子來解釋機器學習和人工智能的基本概念，並立刻通過代碼來實現。本書遵循近期新的TensorFlow 2.0編程規範，易於閱讀和理解，不需要你有大量的機器學習背景。 作者不惜筆墨地充分展示了如何利用TensorFlow在不同的場景下部署模型，包括網頁端、移動端（iOS和Android）和雲端。書中提供的很多用於部署模型的代碼範例稍加修改就可以用於不同的場景。本書還涉及如何確保人工智能的倫理、公平和隱私。書中提到的聯邦學習及保證公平性的軟件都是近期新的和值得研究的。

(美)勞倫斯·莫羅尼 著 潘婉瓊,楊帆 譯